Analisis Perbandingan Kinerja Algoritma Huffman Dan Algoritma Levenstein Dalam Kompresi File Dokumen Format .RTF
Dwi Asdini*, Dito Putro Utomo
Fakultas Ilmu Komputer dan Teknologi Informasi, Program Studi Teknik Informatika, Universitas Budi Darma, Medan, Indonesia Email: 1*dwiasdini@gmail.com
Email Penulis Korespondensi: dwiasdini@gmail.com
Abstrak-File dokumen dengan format .RTF merupakan file yang cukup sering digunakan namun memiliki ukuran yang cukup besar. Ukuran file yang besar sering mengalami kendala pada saat mengirim file dimana proses pengiriman dapat memakan waktu yang lama dan dapat menghabiskan banyak ruang penyimpanan karena terlalu banyak data berukuran besar yang tersimpan. Hal ini tentu sangat menyulitkan jika ada banyak file yang harus disimpan, sementara media penyimpanan memiliki batasan ukuran. Untuk mengatasi masalah ini maka perlu dilakukan kompresi untuk memampatkan data. Untuk memilih algoritma yang optimal dalam mengkompresi file dokumen maka perlu dilakukan perbandingan antara algoritma Huffman dan algoritma Levenstein dengan mengukur kinerja berdasarkan Ratio Of Compression (RC), Compression Ratio (CR), Redundancy (Rd) dan Space Saving (SS).
Setelah dilakukan perhitungan maka didapat hasil algoritma yang paling optimal dalam mengkompresi file dokumen yaitu algoritma Huffman dengan space saving yang lebih tinggi dan ukuran hasil kompresi lebih rendah dibandingkan dengan algoritma Levenstein. Hal ini dikarenakan semakin besar space saving (ss) maka kompresinya semakin bagus dan semakin cepat.
Kata Kunci: Kompresi; Perbandingan; File Dokumen; Huffman; Levenstein
Abstract-Document files with the .RTF format are files that are quite often used but have a fairly large size. Large file sizes often experience problems when sending files where the sending process can take a long time and can consume a lot of storage space because too much large data is stored. This is certainly very difficult if there are many files that must be stored, while th e storage media has a size limit. To overcome this problem it is necessary to do compression to compress the data. To choose the optimal algorithm for compressing document files, it is necessary to compare the Huffman algorithm and the Levenstein algorithm by measuring performance based on the Ratio Of Compression (RC), Compression Ratio (CR), Redundancy (Rd) and Space Saving (SS). After the calculation, the results of the most optimal algorithm in compressing document files are obtained, namely the Huffman algorithm with higher space saving and lower compression results compared to the Levenstein algorithm. This is because the greater the space saving (ss) the compression is getting better and faster.
Keywords: Compression; Comparison; Document File; Huffman; Levenstein
1. PENDAHULUAN
Meningkatnya penggunaan data digital saat ini mengakibatkan banyaknya data yang tersimpan di dalam media penyimpanan. Sehingga sering terjadi kendala dalam mentransmisi data, misalnya pada saat mengirim data dapat memakan waktu yang cukup lama ataupun kurangnya kapasitas memori karena terlalu banyak data berukuran besar yang tersimpan. Hal ini tentu sangat menyulitkan jika ada banyak file yang harus disimpan, sementara media penyimpanan memiliki batasan ukuran. Untuk mengatasi hal ini maka ukuran data harus lebih kecil agar dapat menyimpan lebih banyak file di media penyimpanan dengan melakukan pemampatan data. Pemampatan data dapat dilakukan pada berbagai jenis file, seperti file dokumen sebagai file yang paling banyak disimpan didalam media penyimpanan.
File dokumen merupakan file yang berisi informasi yang berasal dari dokumen Microsoft Word, Microsoft Excel, Microsoft Access, dan beberapa dokumen lain yang terdiri dari beberapa karakter, angka, tanda baca, maupun gambar. Sebagian besar penggunaan memori digital pada media penyimpanan berupa file dokumen. File dokumen yang memiliki format file dengan ukuran besar yang terus tersimpan akan membuat tempat penyimpanan menjadi penuh, belum lagi ditambah dengan ukuran dari jenis file lainnya. Salah satu format file dokumen dengan ukuran besar yaitu file dokumen format .RTF atau Rich Text Format. Ukuran file yang relatif besar menjadi masalah dalam penyimpanan. Dimana file dengan ukuran besar cenderung lebih membutuhkan banyak ruang penyimpanan dan mempengaruhi waktu transmisi data. Oleh karena itu, dibutuhkan adanya proses pemampatan data[1].
Pemampatan data atau kompresi data merupakan proses memadatkan data dimana ukuran data yang besar diubah menjadi ukuran yang lebih kecil. Kompresi data sangan penting karena mengurangi kebutuhan penyimpanan data, meningkatkan kecepatan transfer data, dan mengurangi kebutuhan bandwidth. Kompresi data dibagi menjadi dua yaitu kompresi lossy dan kompresi lossless. Kompresi lossy memampatkan data dengan menghilangkan sejumlah informasi sehingga terjadi perubahan data. Sedangkan kompresi lossless memampatkan dengan tetap menjaga data, dan memiliki derajat kompresi yang lebih rendah. Kompresi dapat dilakukan dengan menerapkan algoritma untuk menghasilkan ukuran file yang lebih kecil.
Ada banyak algoritma yang dapat digunakan untuk mengkompresi file dengan kelebihan dan kekurangan masing-masing. Untuk mengetahui kinerja suatu algoritma dalam mengkompresi file maka dapat dihitung parameter kinerjanya berdasarkan Ratio Of Compression (RC), Compression Ratio (CR), Redundancy (Rd) dan Space Saving (SS). Memilih algoritma yang sesuai sangat diperlukan karena tidak semua algoritma dapat mengkompresi file dengan baik. Algoritma yang cukup terkenal dalam melakukan kompresi yaitu algoritma Huffman dan algoritma Levenstein.
Algoritma Huffman dan algoritma Levenstein merupakan algoritma yang cukup populer dalam mengkompresi file dokumen. Pada dasarnya kedua algoritma ini memiliki prinsip yang sama yaitu memampatkan data, namun memiliki cara kerja yang berbeda. Algoritma Huffman, dibuat oleh seorang mahasiswa MIT bernama David Huffman pada tahun 1952, adalah salah satu metode kompresi teks tertua dan paling terkenal. Prinsip pengkodean algoritma Huffman mirip dengan kode morse, yaitu setiap karakter dikodekan dengan beberapa kode bit, dimana karakter yang sering muncul dikodekan dengan rangkaian bit yang lebih pendek dan karakter yang jarang muncul dikodekan dengan rangkaian bit yang lebih panjang[2]. Vladimir Levenstein mengembangkan algoritma Levenstein tahun 1968.
Algoritma Levenstein merupakan algoritma yang prosesnya melalui tahapan-tahapan tertentu baik pada saat pengkodean maupun pembacaan sandi. Algoritma Levenstein bekerja dengan menghitung jumlah minimum transformasi satu string menjadi string lainnya, termasuk penghapusan, penyisipan, dan pertukaran[3].
Dikarenakan kedua algoritma ini paling banyak digunakan untuk mengkompresi file maka dilakukan perbandingan untuk mengetahui algoritma mana dari kedua algoritma ini yang menghasilkan ukuran file yang lebih kecil setelah dilakukan kompresi agar dapat digunakan untuk membantu menghemat ruang penyimpanan.
Pada penelitian terdahulu yang ditulis oleh Helbert Sinaga, Poltak Sihombing, dan Handrizal pada tahun 2018 tentang “Perbandingan Algoritma Huffman dan Run Length Encoding Untuk Kompresi File Audio” menyatakan bahwa implementasi Algoritma Huffman dan Run Length Encoding memiliki tujuan untuk mengkompresi file sehingga ukuran file yang dikompresi lebih kecil dari file aslinya. Hasil penelitian menunjukkan algoritma Huffman lebih baik dalam mengkompresi file *.mp3 maupun *.wav. Dimana rasio kompresi pada file audio *.mp3 dengan Algoritma Huffman rata-rata 1.204% untuk RLE -94.44% dan kompresi file audio *.wav rata-rata 28.954% untuk RLE adalah 5.91%[4].
Berdasarkan penelitian terdahulu oleh Novita Sari dan Khairul Ummi pada tahun 2020 tentang “Perancangan Aplikasi Kamus Bahasa Minang Indonesia dan Indonesia Minang Menggunakan Algoritma Levenshtein” menyatakan bahwa Aplikasi ini menerapkan metode Levenstein, sebuah algoritma yang banyak digunakan untuk berbagai bidang, misalnya mesin untuk pencarian browser, untuk pemeriksaan ejaan atau biasa disebut checker, dikte, untuk pengenalan suara, analisis DNA, dll. Dalam aplikasi ini, algoritma Levenstein telah diterapkan untuk melakukan pencarian kata[5].
Berdasarkan penelitian yang dilakukan oleh Supiyandi dan Okta Frida pada tahun 2018 tentang “Analisis Perbandingan Pemampatan Data Teks Dengan Menggunakan Metode Huffman Dan Half-Byte” menyatakan bahwa algoritma Huffman memiliki ratio lebih tinggi sehingga pemampatan yang dilakukan lebih baik daripada algoritma Half-Byte[6].
Berdasarkan penelitian terdahulu yang dilakukan oleh Dian Pratiwi dan Taronisokhi Zebua pada tahun 2019 tentang “Analisi Perbandingan Kinerja Algoritma Fixed Length Binary Endcoding Dan Algoritma Elias Gamma Code Dalam Kompresi File Teks” menyatakan bahwa hasil uji kompresi dengan kedua metode menunjukkan bahwa file yang berukuran besar berhasil dikompresi mejadi ukuran lebih kecil dibandingkan sebelum dikompresi dengan perbandingan kinerja algoritma Fixed Length Binary Encoding lebih baik dalam mengkompresi file jenis .RTF[7].
Berdasarkan penelitian terdahulu yang dilakukan oleh Akhmad Pahdi pada tahun 2018 tentang “Algoritma Huffman dalam Pemampatan dan Enkripsi Data” menyatakan bahwa algoritma Huffman merupakan algoritma yang digunakan untuk mengkompresi dan mengenkripsi file, hasil ukuran file dari proses ini menjadi lebih kecil dan langsung dienkripsi dalam susunan karakter baru dan tidak dapat terbaca dengan mudah[8].
2. METODOLOGI PENELITIAN
2.1 Metodologi Penelitian
Metodologi Penelitian merupakan rangkaian tahapan yang dilakukan dalam penyelesaian masalah yang dibahas pada sebuah penelitian. Metodologi Penelitian ini dibuat agar memudahkan dalam penyelesaian sebuah penelitian. Adapun metodologi penelitian penelitian terdapat pada gambar 1 sebagai berikut:
Gambar 1. Metodologi Penelitian
2.2 Kompresi 2.2.1 Kompresi Data
Kompresi data adalah proses mengubah sekumpulan data ke dalam bentuk kode untuk memperkecil ukuran file sebelum disimpan atau dipindahkan ke media penyimpanan. Hal ini berguna untuk menghemat ruang penyimpanan yang digunakan dan dapat mempersingkat waktu pengiriman data. Terdapat dua proses utama dalam kompresi yaitu kompresi dan dekompresi atau pengembalian data. Tujuan dari kompresi yaitu mengurangi jumlah bit yang digunakan untuk menyimpan atau mengirim informasi[9]. Pada dasarnya kompresi data terbagi menjadi dua kelompok besar yaitu:
a. Data kompresi lossy
Dalam kompresi data lossy, proses pemampatan data dengan mengurangi bahkan menghilangkan informasi sehingga menyebabkan perubahan data dibandingkan dengan sebelum dilakukan kompresi. Jika terjadi kesalahan selama kompresi, selama itu tidak mengubah sampel data, kesalahan itu masih diperbolehkan dan biasa digunakan dalam kompresi. Kompresi data lossy efektif bila diterapkan pada gambar, film, dan audio digital.
b. Data Kompresi lossless
Rasio kompresi lebih rendah, akurasi data sebelum dan sesudah kompresi tetap dipertahankan.Lossless mengkompresi data tanpa menghilangkan data aslinya. Kesalahan kompresi data lossless tidak dapat ditoleransi, sehingga data pra-kompresi harus sama persis dengan data yang dikompresi. Kompresi data lossless juga dikenal sebagai kompresi reversible karena data asli dapat dipulihkan sepenuhnya dengan dekompresi[2].
Berikut parameter yang biasa digunakan untuk menganalisis kinerja kompresi[10], yaitu:
1. Ratio of Compression (RC)
Ratio of Compression adalah nilai yang membandingkan ukuran bit data sebelum dikompresi dengan ukuran bit data yang dikompresi. Secara matematis dapat ditulis sebagai berikut:
𝑹𝑪=𝑼𝒌𝒖𝒓𝒂𝒏 𝒃𝒊𝒕 𝒔𝒆𝒃𝒆𝒍𝒖𝒎 𝒅𝒊𝒌𝒐𝒎𝒑𝒓𝒆𝒔𝒊
𝑼𝒌𝒖𝒓𝒂𝒏 𝒃𝒊𝒕 𝒔𝒆𝒕𝒆𝒍𝒂𝒉 𝒅𝒊𝒌𝒐𝒎𝒑𝒓𝒆𝒔𝒊 (1)
2. Compression Ratio (CR)
Compression Ratio adalah persentase antara bit data terkompresi dan bit data tidak terkompresi.
𝐶𝑅= 𝑈𝑘𝑢𝑟𝑎𝑛 𝑏𝑖𝑡 𝑠𝑒𝑡𝑒𝑙𝑎ℎ 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖
𝑈𝑘𝑢𝑟𝑎𝑛 𝑏𝑖𝑡 𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 (2)
3. Space Saving (SS)
Space Saving adalah jumlah penyimpanan yang dihemat oleh kompresi, persentase antara data yang tidak terkompresi dan data terkompresi.
𝑆𝑠= (1 − 𝐶𝑅)𝑥100% (3)
4. Radudancy (Rd)
Radudancy (Rd) adalah selisih persentase yang dihasilkan antara ukuran data sebelum dikompresi dan setelah dikompresi.
𝑅𝑑= 100% − 𝐶𝑅 (4)
2.2.2 File Dokumen Format .RTF
File dokumen merupakan kumpulan data yang berisi informasi dalam bentuk teks. Data dari dokumen yang berkaitan dengan huruf, angka, simbol, dan teks lain yang digunakan dalam perhitungan, nama, dan alamat dalam database adalah contoh entri data dokumentual dimana mencakup karakter, angka, dan tanda baca. Input dan output dari data dokumen diwakili oleh set karakter atau input kode yang dikenali oleh input komputer[11].
File dokumen yang digunakan pada penelitian ini berformat .RTF atau Rich Text Format. RTF dapat menyimpan sebagian besar pemformatan dokumen, berbagai font, dan mendukung objek dan gambar. File RTF dapat dibaca dan diedit pada program pengolah kata apapun, seperti Microsoft Word, OpenOffice.org, dan lainnya. RTF juga dapa dibuka pada system operasi apapun seperti Mac dan Linux.
2.3 Metode dan Tahapannya 2.3.1 Algoritma Huffman
Algoritma Huffman adalah algoritma yang dikembangkan oleh David A. Huffman tahun 1952. Algoritma Huffman menggunakan prinsip pengkodean yang sama dengan kode Morse, yaitu setiap karakter hanya dikodekan dengan string beberapa bit, di mana karakter yang sering terlihat dikodekan dengan string bit pendek dan karakter jarang terlihat dikodekan dengan string bit lebih panjang. Algoritma Huffman adalah algoritma kompresi lossless yang sangat cocok untuk mengkompresi file dokumen. Itu sebabnya algoritma ini banyak digunakan dalam program kompresi. Teknik kompresi algoritma ini yaitu dengan menggunakan kode berupa bit untuk mempresentasikan data karakter[2]. Cara kerja algoritma ini yaitu:
a. Hitung jumlah jenis karakter dan angka dari setiap karakter dalam file.
b. Urutkan setiap jenis karakter secara berurutan dari yang memiliki jumlah karakter paling sedikit hingga yang memiliki jumlah karakter paling banyak.
c. Buat pohon biner dalam urutan karakter terkecil hingga terbesar dan tetapkan kode untuk setiap karakter.
d. Ganti data berdasarkan pohon biner dengan kode bit.
e. Menyimpan jumlah bit untuk kode bit terbesar, tipe karakter diurutkan dari frekuensi keluaran tertinggi hingga terkecil dan data diubah menjadi kode bit sebagai data terkompresi[2].
2.3.2 Algoritma Levenstein
Algoritma Levenstein adalah kode universal untuk bilangan bulat non-negatif yang dikembangkan oleh Vladimir Levenstein tahun 1968. Algoritma Levenstein adalah sebuah algoritma dimana proses melewati tahapan tertentu baik pada saat enkripsi maupun pada saat deskripsi. Untuk proses enkripsi dalam algoritma Levenstein angka 0 adalah satu 0[12]. Untuk menulis kode positif n, lakukan langkah berikut:
a. Deklarasikan angka pertama C dengan 1. Inisialisasi kode saat ini pada string kosong.
b. Ambil nilai biner n tanpa awalan 1 dan tambahkan ke kode saat ini.
c. Nyatakan M sebagai jumlah bit yang ditambahkan pada langkah 2.
d. Jika M ≠0, tambahkan C dengan 1 dan ulangi langkah 2, tetapi dengan M bukan n.
e. Jika M = 0, tambahkan 1, diikuti 0 pada C ke kode saat ini dan berhenti[12].
Tabel berikut merupakan nilai dari kode Levenstein. Dalam tabel, setiap bagian dari kode Levenstein dipisahkan oleh spasi dimaksudkan untuk memudahkan indikasi bagian dari kode tersebut.
Tabel 1. Kode Levenstein N Kode Levenstein
0 0
1 10
2 110 0
3 110 1
4 1110 0 00 5 1110 0 01 6 1110 0 10 7 1110 0 11 8 1110 1 000 9
10 11 12 13 14 15 16 17
1110 1 001 1110 1 010 1110 1 011 1110 1 100 1110 1 101 1110 1 110 1110 1 111 11110 0 00 0000 11110 0 00 0001
3. HASIL DAN PEMBAHASAN
Sebelum melakukan proses perancangan, maka dibutuhkan beberapa analisis masalah. Analisis dapat memberikan gambaran yang komprehensif tentang masalah yang dianalisis dengan mengidentifikasi dan mengevaluasi untuk memberikan solusi atas masalah yang dibahas. Tahapan yang dilakukan yaitu kompresi dan dekompresi.
Pada tahap awal Analisa yang dilakukan mencari file dokumen dengan format .RTF. yang selanjutnya diubah menjadi nilai hexadecimal dengan menggunakan aplikasi HxD. Setelah didapat nilai hexadecimal maka selanjutnya mengkompresi file dengan menerapkan algoritma Huffman dan algoritma Levenstein. Dibawah ini merupakan alur sederhana dalam proses kompresi file dokumen:
Gambar 2. Prosedur Kompresi dan Dekompresi File Dokumen
3.1 Penerapan Algoritma Huffman
Penelitian ini akan membahas dua algoritma, yang pertama yang akan dibahas yaitu algoritma Huffman. Algoritma Huffman adalah algoritma kompresi lossless yang sangat cocok untuk mengkompresi file dokumen. Sebelum melakukan tahap pertama, penulis mencari file dokumen format .RTF untuk dilakukan kompresi. Berikut adalah contoh file yang akan dikompresi:
Tabel 2. Sampel File Dokumen
No Nama File Ukuran Sebelum Dikompresi
1 Jurnal.RTF 8.20 MB
2 Skripsi.RTF 49.6 MB
3 TestData.RTF 1.00 MB
Berdasarkan contoh sampel diatas, maka file tersebut diubah menjadi nilai hexadecimal dengan menggunakan aplikasi HxD.
Gambar 3. Nilai Hexadecimal Sampel File Dokumen
Untuk melakukan kompresi penulis mengambil 20 nilai hexadecimal untuk mewakili file dokumen dengan format .RTF yang telah diubah dengan aplikasi HxD.
Tabel 3. Nilai Hexadecimal Yang Belum Dikompresi 7B 5C 72 74 66 31 5C 61 64 65 66 6C 61 6E 67 31 30 38 31 5C
Kemudian urutkan nilai hexadecimal berdasarkan nilai frekuensi yang terbesar hingga frekuensi terkecil. Terlihat pada tabel 4.2 dibawah ini ukuran string yang dihasilkan sebelum dilakukan kompresi yaitu 160 bit.
Tabel 4. Nilai Hexadecimal Yang Belum Dikompresi
No Nilai
Hexadecimal Freq Nilai Biner Bit Freq x Bit
1 31 3 110001 8 24
2 5C 3 1011100 8 24
3 61 2 1100001 8 16
4 66 2 1100110 8 16
5 30 1 110000 8 8
6 38 1 111000 8 8
7 6C 1 1101100 8 8
8 6E 1 1101110 8 8
9 64 1 1100100 8 8
10 65 1 1100101 8 8
11 67 1 1100111 8 8
12 72 1 1110010 8 8
13 74 1 1110100 8 8
14 7B 1 1111011 8 8
Total 20 - - 160
Selanjutnya untuk mengkompresi file dokumen dengan algoritma Huffman maka ikuti langkah-langkah yang telah dijelaskan sebelumnya dengan membentuk pohon biner dan setiap nilai hexadecimal akan memiliki identitas berupa bilangan biner.
a. Urutkan setiap nilai hexadecimal dari jumlah nilai paling banyak hingga jumlah nilai paling sedikit.
Gambar 4. Langkah 1
b. Akarkan nilai hexadecimal berdasarkan nilai frekuensi terkecil dimulai dari 74 dan 7B bernilai masing- masing 1.
Gambar 5. Langkah 2
c. Lanjutkan ke nilai frekuensi paling sedikit setelahnya yaitu 67 dan 72 bernilai masing-masing 1.
Gambar 6. Langkah 3
d. Lanjutkan ke nilai paling sedikit berikutnya yaitu k4 dan 65 dengan nilai masing-masing 1.
Gambar 7. Langkah 4 e. Akar selanjutnya yaitu 6C dan 6E dengan nilai masing-masing 1.
Gambar 8. Langkah 5
f. Lanjut ke akar dengan nilai masing-masing 1 yang terakhir yaitu 30 dan 38.
Gambar 9. Langkah 6
g. Setelah itu gabungkan akar dengan nilai paling kecil 67 dan 72 gabungkan dengan nilai 74 dan 7B karna memiliki nilai masing-masing 2. Nilai 6C dan 6E gabungkan dengan nilai 64 dan 65 yang memiliki nilai masing-masing 2. Lalu akarkan nilai paling sedikit berikutnya yaitu 61 dan 66 dengan nilai masing-masing adalah 2.
Gambar 10. Langkah 7
h. Gabungkan akar 30 dan 38 yang bernilai 2 dengan nilai 61 dan 66 bernilai 4.
Gambar 11. Langkah 8
i. Akar selanjutnya yaitu 31 dan 5C dengan nilai masing-masing 3.
Gambar 12. Langkah 9
j. Gabungkan akar dengan jumlah nilai yang sama, akar nilai 4 dengan yang bernilai 4, akar yang bernilai 6 dengan akar yang bernilai 6.
Gambar 13. Langkah 10
k. Tahap terakhir yaitu gabungkan semua akar yang dibentuk menjadi satu dan didapatlah total nilai 20.
Kemudian beri bit 0 pada cabang akar sebelah kiri dan bit 1 pada cabang akar sebelah kanan.
Gambar 14. Hasil
Nilai bit yang dihasilkan dari pohon biner diatas dapat dilihat pada tabel 4 dibawah ini.
Tabel 5. Hasil Dari Pohon Biner
No Nilai Hexadecimal Freq Codeword Bit Freq x Bit
1 31 3 0 3 9
2 5C 3 1 3 9
3 61 2 100 4 8
4 66 2 101 4 8
5 30 1 110 4 4
6 38 1 111 4 4
7 6C 1 1000 4 4
8 6E 1 1001 4 4
9 64 1 1010 4 4
10 65 1 1011 4 4
11 67 1 1100 4 4
12 72 1 1101 4 4
13 74 1 1110 4 4
14 7B 1 1111 4 4
Total 20 - - 74
Langkah selanjutnya yaitu menyusun kembali string bit yang dihasilkan dari proses kompresi.
Tabel 6. String Bit Hasil Kompresi
7B 5C 72 74 66 31 5C 61 64 65
1111 1 1101 1110 101 0 1 100 1010 1011
66 6C 61 6E 67 31 30 38 31 5C
101 1000 100 1001 1100 0 110 111 0 1
Berdasarkan tabel 5 string bit yang dihasilkan dari proses pengkompresian file dokumen menggunakan algoritma Huffman dapat dituliskan sebagai berikut:
“11110011101111001010000010100101010110101100001001001110000001100111000001”
Kemudian dari hasil total bit x frekuensi yang bernilai 74, maka perlu dilakukan penambahan jumlah bit karena 74 tidak habis dibagi 8. Dimana didalam komputer, suatu karakter direpresentasikan oleh bilangan ASCII sebanyak 8 bit dari bilangan biner. Apabila bit suatu data lebih pendek dari 8 bit maka biasanya tidak akan bisa dibaca oleh komputer sebelum dilakukannya proses encoding. Pada proses encoding, bit data tersebut di-encode setiap 8 bitnya sehingga membentuk suatu karakter yang dapat dibaca komputer. Berikut cara untuk mencari padding dan flagging.
a. Jika sisa bagi panjang string bit adalah 0 maka tambahkan 00000001 untuk dinyatakan sebagai bit akhir.
b. Jika sisa bagi panjang string bit adalah n (1, 2, 3, 4, 5, 6, 7) maka tambahkan 0 sebanyak 7 – n +”1” di akhir string bit. Lalu ditambahkan bilangan biner dari 9 – n untuk dinyatakan sebagai bit akhir.
Table 7. Penambahan Padding dan Flagging
Padding Flagging
74 𝑚𝑜𝑑 8 = 2 = 𝑛 𝑛 + 1"=7 - 2 + "1" = 5 = 000001
9 − 𝑛 9 − 2 = 7 = 00000111 Maka tambahkan 000001 dan 00000111 ke akhir string bit, menjadi:
“1111001110111100101000001010010101011010110000100100111000000110011100000100000100000111”.
Setelah ditambah padding dan flagging total bit menjadi 88 bit. Lakukan pemisahan dengan membagi bit menjadi per delapan bit. Maka langkah selanjutnya ialah dengan mengubah nilai biner ke nilai hexadecimal untuk
mengetahui suatu karakter yang dihasilkan dari proses kompresi Huffman yang sesuai dengan kode ASCII. Adapun nilai hexadecimal yang sudah terkompresi dapat dilihat pada tabel 7 dibawah ini.
Table 8. Hasil Karakter Terkompresi
Biner Desimal Hexadecimal Karakter
11110011 243 f3 ¾
10111100 188 bc ╝
10100000 160 a0 á
10100101 165 a5 Ñ
1011010 90 5a Z
11000010 194 c2 ┬
1001110 78 4e N
110 6 6 6
1110000 112 70 p
1000001 65 41 A
111 7 7 7
Proses kompresi menghasilkan karakter baru seperti ini “¾╝áÑ Z┬N6pA7”. Selanjutnya mengukur hasil kompresi sesuai dengan parameter yang telah ditentukan untuk mengetahui tingkat kinerja algoritma Huffman seperti dibawah ini.
𝑅𝑎𝑠𝑖𝑜 𝑜𝑓 𝐶𝑜𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛 (𝑅𝐶) =𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑡𝑒𝑙𝑎ℎ 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 =160
74 = 2.16
𝐶𝑜𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛 𝑜𝑓 𝑅𝑎𝑠𝑖𝑜 (𝐶𝑅) =𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖
𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑡𝑒𝑙𝑎ℎ 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 𝑥 100% = 74
160 𝑥 100% = 46.25%
𝑅𝑒𝑑𝑢𝑛𝑑𝑎𝑛𝑐𝑦 (𝑅𝑑) =𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 − 𝑠𝑒𝑡𝑒𝑙𝑎ℎ 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖
𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 𝑥 100% =160 − 74
160 𝑥 100% = 53.75%
𝑆𝑝𝑎𝑐𝑒 𝑆𝑎𝑣𝑖𝑛𝑔 (𝑆𝑆) = 100% − 𝐶𝑜𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛 𝑜𝑓 𝑅𝑎𝑠𝑖𝑜 (𝐶𝑅) = 100% − 46.25% = 53.75%
Dari perhitungan diatas space saving yang dihasilkan dari kompresi file dokumen dengan menggunakan algoritma Huffman sebesar 53.75%.
3.2 Penerapan Algoritma Levenstein
Algoritma Levenstein merupakan algoritma yang prosesnya melalui tahapan-tahapan tertentu baik pada saat pengkodean maupun pembacaan sandi. Untuk proses enkripsi dalam algoritma Levenstein angka 0 adalah satu 0. Nilai hexadecimal diurutkan berdasarkan frekuensi nilai tertinggi hingga frekuensi nilai terendah kemudian tambahkan kode Levenstein.
Table 9. Nilai Hexadecimal Yang Dikompresi Dengan Levenstein
No Nilai Hexadecimal Freq Kode Levenstein Bit Freq x Bit
1 31 3 0 1 3
2 5C 3 10 2 6
3 61 2 1100 4 8
4 66 2 1101 4 8
5 30 1 1110 000 7 7
6 38 1 1110 001 7 7
7 6C 1 1110 010 7 7
8 6E 1 1110 011 7 7
9 64 1 1110 1000 8 8
10 65 1 1110 1001 8 8
11 67 1 1110 1010 8 8
12 72 1 1110 1011 8 8
13 74 1 1110 1100 8 8
14 7B 1 1110 1101 8 8
Total 20 - - 101
Berdasarkan tabel maka ukuran akhir string bit yang dihasilkan dari kompresi dengan algoritma Levenstein adalah 101 bit. Kemudian sesuaikan kode Levenstein dengan masing-masing nilai hexadecimal.
Tabel 10. Codeword Algoritma Levenstein
7B 5C 72 74 66 31 5C 61 64 65 1110
1101 10 1110
1011
1110
1100 1101 0 10 1100 1110
1000
1110 1001
66 6C 61 6E 67 31 30 38 31 5C
1101 1110
010 1100 1110
011
1110
1010 0 1110
000
1110
001 0 10
String yang dihasilkan dari codeword yaitu 101 bit.
“1110110110111010111110110011010101100111010001110100111011110010110011100111110101001110000111 0001010”.
Mencari nilai padding dan flagging
a. Jika sisa bagi panjang string bit terhadap 8 adalah 0 maka tambahkan 00000001. Nyatakan dengan bit akhir.
b. Jika sisa bagi panjang string bit terhadap 8 adalah n (1, 2, 3, 4, 5, 6, 7) maka tambahkan 0 sebanyak 7 – n +”1”
di akhir string bit. Lalu tambahkan bilangan biner dari 9 - n. Nyatakan dengan Bit Akhir.
Table 11. Penambahan Padding Dan Flagging
Padding Flagging
101 𝑚𝑜𝑑 8 = 5 = 𝑛 7 − 𝑛 + "1" = 7−5 + "1" = 2 = 001
9 − 𝑛 9 − 5 = 4 = 00000100 Maka tambahkan 001 dan 00000100 ke akhir string bit, menjadi:
“1110110110111010111110110011010101100111010001110100111011110010110011100111110101001110000111 000101000100000100”.
Setelah ditambah padding dan flagging total bit menjadi 112 bit. Lalu bagi string bit menjadi per 8 bit. Dan ubah menjadi karakter seperti tabel dibawah:
Table 12. Hasil Kompresi Dengan Algoritma Levenstein
Biner Desimal Hexadecimal Karakter
11101101 237 ed Ý
10111010 186 ba ║
11111011 251 fb ¹
110101 53 35 5
1100111 103 67 g
1000111 71 47 G
1001110 78 4e N
11110010 242 f2 ‗
11001110 206 ce ╬
1111101 125 7d }
1001110 78 4e N
11100 28 1c FS
1010001 81 51 Q
100 4 4 4
Setelah file dikompresi dengan algoritma Levenstein, maka menghasilkan karakter baru yaitu “Ý║¹5gGN‗╬}NFSQ”.
Selanjutnya untuk mengetahui kinerja algoritma Levenstein maka dilakukan perhitungan dengan parameter berikut ini:
𝑅𝑎𝑠𝑖𝑜 𝑜𝑓 𝐶𝑜𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛 (𝑅𝐶) =𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑡𝑒𝑙𝑎ℎ 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 =160
101= 1.58
𝐶𝑜𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛 𝑜𝑓 𝑅𝑎𝑠𝑖𝑜 (𝐶𝑅) =𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖
𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑡𝑒𝑙𝑎ℎ 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 𝑥 100% =101
160 𝑥 100% = 63.13%
𝑅𝑒𝑑𝑢𝑛𝑑𝑎𝑛𝑐𝑦 (𝑅𝑑) =𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 − 𝑠𝑒𝑡𝑒𝑙𝑎ℎ 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖
𝑢𝑘𝑢𝑟𝑎𝑛 𝑠𝑒𝑏𝑒𝑙𝑢𝑚 𝑑𝑖𝑘𝑜𝑚𝑝𝑟𝑒𝑠𝑖 𝑥 100% =160 − 101
160 𝑥 100% = 36.88%
𝑆𝑝𝑎𝑐𝑒 𝑆𝑎𝑣𝑖𝑛𝑔 (𝑆𝑆) = 100% − 𝐶𝑜𝑚𝑝𝑟𝑒𝑠𝑠𝑖𝑜𝑛 𝑜𝑓 𝑅𝑎𝑠𝑖𝑜 (𝐶𝑅) = 100% − 63.13% = 36.87%
Dari perhitungan diatas space saving yang dihasilkan dari kompresi file dokumen dengan menggunakan algoritma Levenstein sebesar 36.87%.
3.3 Hasil Pengujian
Pengujian sistem adalah langkah yang diambil untuk memastikan bahwa sistem telah berjalan sesuai dengan rancangan yang telah dibuat sebelumnya. Hasil pengujian akan digunakan untuk meningkatkan kinerja sistem dan juga untuk pengembangan sistem lebih lanjut.
Untuk melakukan kompresi setelah memilih tombol kompresi pada menu utama, selanjutnya memilih file yang akan dikompresi dengan mengklik tombol browse maka akan tampil form seperti dibawah ini:
Gambar 15. Tampilan Browse Pada Form Kompresi
Setelah memilih file untuk dikompresi, selanjutnya melakukan kompresi dengan algoritma Huffman dan sistem akan menampilkan hasil perhitungan seperti gambar dibawah ini:
Gambar 16. Tampilan Kompresi Dengan Algoritma Huffman
Kemudian lakukan kompresi dengan algoritma Levenstein dan terlihat hasil kompresi seperti dibawah ini.
Gambar 17. Tampilan Kompresi Dengan Algoritma Levenstein
Setelah file berhasil dikompresi dengan kedua algoritma maka dapat terlihat hasil kompresi algoritma mana yang lebih kecil. Kemudian simpan file hasil kompresi dengan algoritma yang diinginkan.
Dari pengujian yang dilakukan maka menghasilkan perbedaan ukuran file yang telah dikompresi dengan algoritma Huffman dan algoritma Levenstein terlihat pada tabel dibawah ini:
Table 13. Hasil Pengujian Algoritma Huffman
No Nama File
Ukuran Sebelum Dikompresi
Ukuran Setelah Dikompresi
Algoritma Levenstein
RC CT
(%)
RD (%)
SS (%)
1 Jurnal.RTF 8.2 MB 3.79 MB 1.58 63.13 36.88 36.88
2 Skripsi.RTF 49.6 MB 15.81 MB 2,71 36,88 63,13 63,12
3 Test Data.RTF 5 MB 2.19 MB 1,63 61,25 38,75 38,75
Table 14. Hasil Pengujian Algoritma Levenstein
No Nama File
Ukuran Sebelum Dikompresi
Ukuran Setelah Dikompresi
Algoritma Levenstein
RC CT
(%)
RD (%)
SS (%)
1 Jurnal.RTF 8.2 MB 5.18 MB 1.58 63.13 36.88 36.88
2 Skripsi.RTF 49.6 MB 18.29 MB 2,71 36,88 63,13 63,12
3 Test Data.RTF 5 MB 3.06 MB 1,63 61,25 38,75 38,75
Berdasarkan tabel diatas, maka yang menjadi algoritma terbaik dalam kompresi file dokumen yaitu algoritma Huffman. Dimana algoritma Huffman memiliki space saving yang lebih besar dan menghasilkan ukuran hasil kompresi yang lebih kecil dibandingkan dengan algoritma Levenstein.
4. KESIMPULAN
Berdasarkan hasil implementasi dan pengujian yang dilakukan terhadap penelitian analisis perbandingan kinerja algoritma Huffman dan algoritma Levenstein dalam kompresi file dokumen, maka dapat ditarik kesimpulan bahwa, prosedur kompresi file dokumen dengan menggunakan algoritma Huffman dan algoritma Levenstein berhasil dilakukan dengan file dokumen format .RTF dan proses kompresi berjalan sesuai dengan teknik kompresi. Penerapan algoritma Huffman dan algoritma Levenstein telah diterapkan dan terbukti dapat mengkompresi file dokumen format .RTF. Hasil pengujian file dokumen format .RTF dengan algoritma Huffman dan algoritma Levenstein memperlihatkan bahwa algoritma Huffman lebih baik dalam melakukan kompresi file dokumen. Dimana ukuran hasil kompresi lebih rendah dan space saving yang dihasilkan lebih tinggi daripada algoritma Levenstein. Penelitian ini berhasil membangun sebuah aplikasi yang dapat melakukan proses kompresi dan dekompresi file dokumen dengan menerapkan algoritma Huffman dan algoritma Levenstein menggunakan aplikasi Microsoft Visual Studio 2008.
REFERENCES
[1] N. Aftikasyah, “Penerapan Algoritma Yamamoto ’ s Recursive Code Untuk Mengkompresi File Dokumen,” vol. 5, pp.
255–263, 2022, doi: 10.30865/komik.v5i1.3716.
[2] E. Prayoga and K. M. Suryaningrum, “Implementasi Algoritma Huffman Dan Run Length Encoding Pada Aplikasi Kompresi Berbasis Web,” J. Ilm. Teknol. Infomasi Terap., vol. 4, no. 2, pp. 92–101, 2018, doi:
10.33197/jitter.vol4.iss2.2018.154.
[3] L. V. Simanjuntak, “Perbandingan Algoritma Elias Delta Code dengan Levenstein Untuk Kompresi File Teks,” vol. 1, no.
3, pp. 184–190, 2020.
[4] H. Sinaga, P. Sihombing, and H. Handrizal, “Perbandingan Algoritma Huffman Dan Run Length Encoding Untuk Kompresi File Audio,” Talent. Conf. Ser. Sci. Technol., vol. 1, no. 1, pp. 010–015, 2018, doi: 10.32734/st.v1i1.183.
[5] N. Sari, “Perancangan Aplikasi kamus Bahasa Minang Indonesia Dan Indonesia Minang Menggunakan Algoritma Levenshtein,” J. Mhs. Fak. Tek. dan Ilmu Komput., vol. 1, no. 1, pp. 1113–1124, 2020, [Online]. Available: http://e- journal.potensi-utama.ac.id/ojs/index.php/FTIK/article/view/950.
[6] Supriyadi and O. Frida, “Analisis Perbandingan Pemampatan Data Teks Dengan Menggunakan Metode Huffman Dan Half – Byte,” Algoritm. J. Ilmu Komput. dan Inform., vol. 2, no. 1, pp. 1–6, 2018.
[7] D. Pratiwi and T. Zebua, “Analisis Perbandingan Kinerja Algoritma Fixed Length Binary Encoding Dan Algoritma Elias Gamma Code Dalam Kompresi File Teks,” KOMIK (Konferensi Nas. Teknol. Inf. dan Komputer), vol. 3, no. 1, pp. 424–
430, 2019, doi: 10.30865/komik.v3i1.1623.
[8] A. Pahdi, “Algoritma Huffman Dalam Pemampatan Dan Enksripsi Data,” IJNS - Indones. J. Netw. Secur., vol. 6, no. 3, pp.
1–7, 2017, [Online]. Available: http://ijns.org/journal/index.php/ijns/article/view/1461.
[9] N. F. Rizky, S. D. Nasution, and F. Fadlina, “Penerapan Algoritma Elias Delta Codes Dalam Kompresi File Teks,” Build.
Informatics, Technol. Sci., vol. 2, no. 2, pp. 109–114, 2020, doi: 10.47065/bits.v2i2.138.
[10] B. A. ANASTA, “ANALISIS PERBANDINGAN ALGORITMA RUN-LENGTH ENCODING DAN ALGORITMA FIBONACCI CODE DALAM KOMPRESI CITRA,” vol. 1, no. 3, pp. 82–91, 2018.
[11] R. Yanur Tanjung, “Perancangan Aplikasi Kompresi File Dokumen Menggunakan Algoritma Adiitive Code,” J. Ris.
[12] R. D. A. RAWIE, “PERBANDINGAN KINERJA ALGORITMA ELIAS OMEGA CODE DAN ALGORITMA LEVENSTEIN CODE DALAM KOMPRESI CITRA,” p. 6, 2021.
